以圖像辨識深度學習進行即時淹水預測

Yi-Chia Lee; 李毅家

請用此 Handle URI 來引用此文件： http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/80534

完整後設資料紀錄

DC 欄位	值	語言
dc.contributor.advisor	張倉榮(Tsang-Jung Chang)
dc.contributor.author	Yi-Chia Lee	en
dc.contributor.author	李毅家	zh_TW
dc.date.accessioned	2022-11-24T03:08:45Z	-
dc.date.available	2021-11-03
dc.date.available	2022-11-24T03:08:45Z	-
dc.date.copyright	2021-11-03
dc.date.issued	2021
dc.date.submitted	2021-10-26
dc.identifier.citation	1. Arjovsky, M., Chintala, S., Bottou, L. (2017). Wasserstein generative dversarial networks. arXiv preprint arXiv:1701.07875. 2. Chang, L.-C., Shen, H.-Y., Chang, F.-J. (2014). Regional flood inundation owcast using hybrid SOM and dynamic neural networks. Journal of hydrology, 519, 476-489. 3. Chang, L.-C., Shen, H.-Y., Wang, Y.-F., Huang, J.-Y., Lin, Y.-T. (2010). Clustering-based hybrid inundation model for forecasting flood inundation depths. Journal of hydrology, 385(1-4), 257-268. 4. Chang, M.-J., Chang, H.-K., Chen, Y.-C., Lin, G.-F., Chen, P.-A., Lai, J.-S., Tan, Y.-C. (2018). A support vector machine forecasting model for typhoon flood inundation mapping and early flood warning systems. Water, 10(12), 1734. 5. Dottori, F., Todini, E. (2010). A 2D flood inundation model based on cellular automata approach. XVIII international conference on water resources. 6. Finn, C., Goodfellow, I., Levine, S. (2016). Unsupervised learning for physical interaction through video prediction. arXiv preprint arXiv:1605.07157. 7. Ghaderi, A., Sanandaji, B. M., Ghaderi, F. (2017). Deep forecast: Deep learning-based spatio-temporal forecasting. arXiv preprint arXiv:1707.08110. 8. Goodfellow, I. J., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., Bengio, Y. (2014). Generative adversarial networks. arXiv preprint arXiv:1406.2661. 9. Guidolin, M., Chen, A. S., Ghimire, B., Keedwell, E. C., Djordjevic´, S. and Savić, D. A. (2016). A weighted cellular automata 2D inundation model for rapid flood analysis. Environmental Modelling and Software, 84, 378-394. 10. Hochreiter, S., Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8), 1735-1780. 11. Ioffe, S., Szegedy, C. (2015). Batch normalization: Accelerating deep network training by reducing internal covariate shift. International conference on machine learning. arXiv preprint arXiv:1502.03167 12. Isola, P., Zhu, J.-Y., Zhou, T., Efros, A. A. (2016). Image-to-image translation with conditional adversarial networks. arXiv preprint arXiv:1611.07004. 13. Jhong, B.-C., Wang, J.-H., Lin, G.-F. (2017). An integrated two-stage support vector machine approach to forecast inundation maps during typhoons. Journal of hydrology, 547, 236-252. 14. Kabir, S., Patidar, S., Xia, X., Liang, Q., Neal, J., Pender, G. (2020). A deep convolutional neural network model for rapid prediction of fluvial flood inundation. Journal of Hydrology, 590, 125481. 15. Kim, S., Hong, S., Joh, M., Song, S.-k. (2017). Deeprain: Convlstm network for precipitation prediction using multichannel radar data. arXiv preprint arXiv:1711.02316. 16. Mirza, M., Osindero, S. (2014). Conditional generative adversarial nets. arXiv preprint arXiv:1411.1784. 17. Moishin, M., Deo, R. C., Prasad, R., Raj, N., Abdulla, S. (2021). Designing Deep-Based Learning Flood Forecast Model With ConvLSTM Hybrid Algorithm. IEEE Access, 9, 50982-50993. 18. Muckley, L., Garforth, J. (2021). Multi-Input ConvLSTM for Flood Extent Prediction. Lecture Notes in Computer Science, 75-85. 19. Radford, A., Metz, L., Chintala, S. (2015). Unsupervised representation learning with deep convolutional generative adversarial networks. arXiv preprint arXiv:1511.06434. 20. Shi, X., Chen, Z., Wang, H., Yeung, D.-Y., Wong, W.-K., Woo, W.-c. (2015). Convolutional LSTM network: A machine learning approach for precipitation nowcasting. arXiv preprint arXiv:1506.04214. 21. Srivastava, N., Mansimov, E., Salakhudinov, R. (2015). Unsupervised learning of video representations using lstms. International conference on machine learning. arXiv preprint arXiv:1502.04681. 22. Xin, Z., Patil, K. R., Sonogashira, M., Iiyama, M. (2020). Sea Surface Temperature Nowcasting with 3-channel Convolutional LSTM. 23. Zhao, H., Gallo, O., Frosio, I., Kautz, J. (2016). Loss functions for image restoration with neural networks. IEEE Transactions on computational imaging, 3(1), 47-57. 24. 喻儼，2017年，TensorFlow：你也能成為機器學習專家。 25. 鄭克聲，連琮勛，蘇冠銘，2017年，極端降雨空間變異分析模擬與應用，中央氣象局研究計畫成果報告。 26. 林吉堃，2018年，都會區快速淹水模擬模式之研發與應用，國立臺灣大學生物環境系統工程學研究所碩士論文。 27. 陳㚬，2018年，結合水理模式與機器學習法展颱風預警系統之研究，國立臺灣大學生物環境系統工程學研究所碩士論文。 28. 張鈞淳，2019年，地表曼寧糙度值對都會區快速淹水模擬模式之影響，國立臺灣大學生物環境系統工程學研究所碩士論文。 29. 莊喬甯，2019年，風力預報使用基於條件生成對抗網絡優化風機偏航控制系統，國立交通大學數據科學與工程研究所碩士論文。 30. 林子鈞，2020年，以深度學習方法預測大型活動對臺北捷運運量之影響，國立臺灣大學地理環境資源學研究所碩士論文。
dc.identifier.uri	http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/80534	-
dc.description.abstract	水利署現行的淹水預警系統是以雨量站的即時觀測資訊提供淹水預警，但淹水警戒範圍多以村里為單位。若要獲得更詳細的淹水位置，可利用二維淹水模式，但模擬時間較長，難以在災害期間給予即時淹水資訊。為了解決此問題，本研究提出以圖像辨識之深度學習進行淹水預測之相關研究。本研究首先使用時間-空間序率模擬所衍伸出的500場颱風事件為降雨資料庫，並以NTU-CAFIM進行淹水模擬，產生淹水資料庫，且資料庫將分為訓練組285場與測試組215場。接下來，分別考慮直接以真實樣本訓練並調整預測模型權重的ConvLSTM模型，與以條件式生成對抗網路進行訓練並調整權重的cWGAN模型，比較此兩個圖像辨識深度學習模型於淹水預測的能力。此兩個模型的輸入項為訓練組之降雨分佈圖、淹水深度分佈圖與其他淹水影響因子，輸出項為未來3小時淹水預測。模型預測之結果將以NTU-CAFIM模擬結果視為基準，透過評估淹水深度的均方誤差，進行ConvLSTM模型與cWGAN模型的預測能力比較，挑選出較適用於淹水預測的圖像辨識之深度學習模型後，再演示於測試組之颱風事件下該模型於事件的開頭與事件的中途開始預測等2種情況下的表現。本研究以國立臺灣大學及周邊區域作為研究區域，結果顯示：(1)比較兩個模型之預測能力，ConvLSTM模型預測結果較cWGAN模型佳，ConvLSTM模型於測試組下，其預測未來1～3小時淹水深度分佈的均方誤差皆可低於3.00E-05；(2)應用ConvLSTM模型於測試組的1場颱風事件，無論是由事件的開頭開始進行直接預測與多步階預測，或是由事件的中途開始進行多步階預測，其預測結果之淹水範圍評估指標表現於大部分的時刻之預兆得分、敏感度與精確度可以維持在0.9以上，而均方誤差的表現在大部分時刻可低於1.00E-05。(3) ConvLSTM模型於每個時刻預測所花費的時間平均約為1.05秒，顯示本研究發展的淹水預測模型在淹水預警上可以提供即時且準確的預測。	zh_TW
dc.description.provenance	Made available in DSpace on 2022-11-24T03:08:45Z (GMT). No. of bitstreams: 1 U0001-2610202113211800.pdf: 5362857 bytes, checksum: 9e2865ff4b4bd7e7f533b6efac7a21bb (MD5) Previous issue date: 2021	en
dc.description.tableofcontents	謝誌 I 摘要 II Abstract IV 目錄 VI 圖目錄 X 表目錄 XII 第一章緒論 1 1.1 前言 1 1.2 文獻回顧 2 1.2.1 都會區淹水模式 2 1.2.2 機器學習於淹水預測的應用之研究回顧 4 1.2.3 圖像辨識深度學習之研究回顧 6 1.3 研究目的 11 1.4 研究流程 12 第二章研究方法 14 2.1 深度學習模型 14 2.1.1 捲積神經網路結合長短期記憶神經網路 15 2.1.2 捲積長短期記憶神經網路 20 2.1.3 條件式生成對抗神經網路 22 2.2 NTU-CAFIM 26 2.2.1 一維雨水下水道模式 26 2.2.2 二維快速漫地流模式 30 2.2.3 模式銜接 33 2.3 淹水預測結果評估指標 34 2.3.1 均方誤差 34 2.3.2 列聯表 34 2.3.3 敏感度 35 2.3.4 精確度 36 2.3.5 預兆得分 36 第三章研究區域與降雨事件 37 3.1 研究區域之概述 37 3.2 地文資料 38 3.2.1 數值高程模型 38 3.2.2 土地利用資料 39 3.3 雨水下水道資料 41 3.4 降雨事件與淹水資料 41 第四章模式建置 43 4.1 輸入因子 43 4.1.1 降雨分佈圖 45 4.1.2 淹水深度分佈圖 46 4.1.3 平均淹水深度分佈圖 46 4.2 ConvLSTM模型 48 4.3 cWGAN模型 49 4.3.1 生成器 50 4.3.2 判別器 50 4.4 訓練及測試設置 54 4.4.1 輸入因子組合 54 4.4.2 模型訓練設置 55 4.4.3 模型測試設置 58 第五章模型比較與預測 60 5.1 指標評估結果 60 5.1.1 ConvLSTM模型之各因子組合指標比較 61 5.1.2 cWGAN模型之各因子組合指標比較 64 5.1.3 ConvLSTM與cWGAN之最佳模型指標分析與比較 67 5.2 淹水預測模型 68 5.2.1 事件的開頭開始預測 71 5.2.2 事件的中途開始預測 87 5.3 小結 91 第六章結論與建議 93 6.1 結論 93 6.2 建議 95 參考文獻 96 附錄A 100 附錄B 116
dc.language.iso	zh-TW
dc.subject	條件式生成對抗網路	zh_TW
dc.subject	淹水預測	zh_TW
dc.subject	圖像辨識	zh_TW
dc.subject	深度學習	zh_TW
dc.subject	捲積長短期記憶神經網路	zh_TW
dc.subject	Flood forecasting	en
dc.subject	cWGAN	en
dc.subject	ConvLSTM	en
dc.subject	Deep learning	en
dc.subject	Image recognition	en
dc.title	以圖像辨識深度學習進行即時淹水預測	zh_TW
dc.title	Real-time Flood Inundation Forecasting Based on Image Recognition Deep Learning	en
dc.date.schoolyear	109-2
dc.description.degree	碩士
dc.contributor.oralexamcommittee	王嘉和(Hsin-Tsai Liu),張明瑞(Chih-Yang Tseng),游翔麟
dc.subject.keyword	淹水預測,圖像辨識,深度學習,捲積長短期記憶神經網路,條件式生成對抗網路,	zh_TW
dc.subject.keyword	Flood forecasting,Image recognition,Deep learning,ConvLSTM,cWGAN,	en
dc.relation.page	123
dc.identifier.doi	10.6342/NTU202104223
dc.rights.note	同意授權(限校園內公開)
dc.date.accepted	2021-10-27
dc.contributor.author-college	生物資源暨農學院	zh_TW
dc.contributor.author-dept	生物環境系統工程學研究所	zh_TW
顯示於系所單位：	生物環境系統工程學系

文件中的檔案：

檔案	大小	格式
U0001-2610202113211800.pdf 授權僅限NTU校內IP使用（校園外請利用VPN校外連線服務）	5.24 MB	Adobe PDF

顯示文件簡單紀錄

系統中的文件，除了特別指名其著作權條款之外，均受到著作權保護，並且保留所有的權利。